《Fire》：Integrated Geospatial Machine Learning Frameworks for Forest Fire Risk Prediction: A Data-Driven Approach Using Random Forest and Non-Linear Feature Transformation in Anhui Province
编辑推荐：
森林火灾易感性制图(Forest Fire Susceptibility Mapping)是减灾的重要组成部分，尤其在安徽省这类气候过渡带地区。传统方法常依赖专家赋权层次分析法(Analytic Hierarchy Process, AHP)或线性假设，难以捕
森林火灾易感性制图(Forest Fire Susceptibility Mapping)是减灾的重要组成部分，尤其在安徽省这类气候过渡带地区。传统方法常依赖专家赋权层次分析法(Analytic Hierarchy Process, AHP)或线性假设，难以捕捉火险驱动因子的复杂非线性交互作用。本研究构建数据驱动框架，整合816个野外调查样地燃料数据与MODIS(Moderate Resolution Imaging Spectroradiometer)活跃火点数据(2000–2025)。研究人员应用系统化预处理流程，包括1–99% Winsorization以降低传感器离群值影响、非线性Gamma曲率归一化(Non-Linear Gamma Curvature Normalization)表征非对称风险响应，以及基于空间缓冲区的伪缺火点(pseudo-absence)方案结合语义土地覆盖掩膜以减少标注模糊与宏观环境偏差。在自然平衡数据集上对比七种机器学习算法，随机森林(Random Forest, RF)模型测试集性能最优(测试集AUC = 0.831)。采用Youden's J统计量确定数据驱动风险阈值。结果表明地形格局与林分密度构成重要基线约束，并与生理水分胁迫指标交互影响火险易感性。树种水平风险分析与生态预期一致：针叶林预测高风险比例最高(79.10%)，软阔叶林显著较低(4.29%)。空间制图显示受地形强迫与可燃物连续性影响呈"南高北低"格局，可为区域森林管理及绿色防火带规划提供参考。
论文解读：安徽省森林火灾风险预测集成地理空间机器学习框架研究
该研究针对传统森林火灾风险评估(Forest Fire Risk Assessment, FFRA)依赖专家主观判断的层次分析法(Analytic Hierarchy Process, AHP)及线性假设难以刻画火险驱动因子非线性耦合关系的问题，以中国安徽省——暖温带与亚热带过渡气候区、兼具山地林区与平原农区异质性景观——为研究区，开展数据驱动的森林火灾易感性(Susceptibility)预测研究。现有方法存于静态权重主观性强、忽略局地火行为动态及空间自相关引起的样本偏差。为此，研究人员整合816个野外实测燃料样地与MODIS活跃火点(MCD14ML, 2000–2025)、多源环境协变量(MODIS/Landsat衍生NDVI、LST、NSWI、NDBSI及MCD12Q1土地覆盖)，通过统计稳健的特征预处理(1–99% Winsorization、非线性Gamma曲率归一化)、语义土地覆盖掩膜剔除农业焚烧干扰、基于地统计的空间排除缓冲区协议(2–5 km排除带，>5 km独立背景区)生成自然平衡数据集(240个起火点，318个伪缺火点)，选用七种机器学习算法基准测试后构建优化随机森林(Random Forest, RF, n_estimators=300, max_depth=8)模型，以Youden's J统计量(阈值=0.4704)划分高中低风险并绘制空间易感性图，最终验证模型泛化能力与生态学合理性。论文发表于期刊《Fire》。
关键技术方法概述：研究人员以安徽省为研究区，野外数据来源于2020年采集的816个代表性森林样地(涵盖针叶、阔叶、混交林及不同地形位)，测定林分结构(树高、胸径、密度、郁闭度)、死活可燃物载量(枯落物与腐殖质)、干鲜比(水分指标)及热值；历史火点源于MODIS MCD14ML(2000–2025)，经MCD12Q1掩膜保留林地/灌丛火点；连续环境变量先进行1–99% Winsorization消除遥感异常值，再对NDVI与海拔做非线性Gamma曲率归一化(xnorm= ((x?xmin)/(xmax?xmin))γ)以拟合生态非线性响应；采用语义土地覆盖掩膜排除农田焚烧，依空间变程设2 km内核点火区、2–5 km空间排除区、>5 km背景伪缺火采样区以降低空间自相关(Global Moran's I诊断)；最终在五折交叉验证与独立测试集上对比Logistic Regression(LR)、KNN、SVM、Decision Tree(DT)、MLP、RF、GBDT，优选RF并以Youden's J确定概率截断值。
6.1. Feature Importance: The Hierarchy of Risk
研究人员利用最优RF量化27个环境与理化特征重要性，发现地貌(Geomorphology, 11.65%)、坡度(Slope, 5.18%)、坡位(Slope Position, 5.03%)等地形配置构成基线约束，通过控制局地微气候与太阳辐射影响火行为；林分密度(Stand Density, 7.56%)反映水平与垂直可燃物连续性；比值植被指数(Ratio Vegetation Index, RVI, 5.01%)优于传统NDVI(1.24%)，与亚热带密冠层光学饱和现象一致，更能表征冠层预干旱状态；实验室测定的叶片固有理化性质重要性较低，表明区域宏观尺度上火险概率更多受宏观地形与可燃物连续性而非微观叶片可燃性控制。
6.2. Multi-Model Benchmark and Generalization Analysis
研究人员在相同预处理与空间隔离条件下对七种算法基准测试，RF在独立测试集表现最佳(Test AUC = 0.8311，PR-AUC = 0.7709，Brier Score Loss = 0.1663)，交叉验证AUC = 0.8364，二者差值ΔAUC = 0.0053较小，提示过拟合风险低；Bootstrap重抽样(n=1000)得95%置信区间[0.7500–0.9016]，下界超过常规环境风险建模可接受的0.70阈值，支持框架稳定性。
6.3. Risk Susceptibility by Tree Species: Ecological Plausibility Check
研究人员将RF空间预测概率与816个样地优势树种交叉表列，得出预测高风险比例梯度：针叶林(Coniferous, 79.10%) > 竹林(Bamboo, 59.26%) > 硬阔叶林(Hard broadleaf, 55.21%) >> 软阔叶林(Soft broadleaf, 4.29%)。针叶林因含挥发性树脂及疏松针叶枯落物降低引燃能垒而易燃；竹林密集垂直结构形成连续可燃物梯；软阔叶林叶片保水性强且凋落物易形成紧实腐殖质，降低可燃性。该结果与生态认知相符，提示软阔叶林可用于营造"绿色防火带(Green Firebreaks)"以打断针叶林可燃物连续性。
6.4. Spatial Risk Distribution and Geographical Mechanisms
研究人员将RF输出概率投影至样点坐标绘制空间易感性图，呈现明显纬向梯度与三类生态地理分区：(1)皖南及大别山山地风险簇——中高海拔针叶与竹林提供连续可燃物，崎岖地形促进 uphill传播与阳坡热累积；(2)淮北平原农区低风险背景——农业景观打断自然可燃物连续性抑制林火持续蔓延；(3)江淮丘陵Wildland-Urban Interface(WUI)破碎带——高低风险镶嵌分布受斑块化可燃物、人为边缘干扰及软阔叶片段共同调制。历史MODIS火点与预测高风险簇空间吻合，表明模型捕获了相关生物物理与热力学驱动因子。
讨论部分总结
与传统AHP相比，RF框架可捕捉变量间非线性交互及阈值效应，避免陡峭但贫瘠或湿润地形被高估火险。连续变量预处理(Winsorization + Gamma曲率归一化)提升生态可解释性，使NDVI转化为"可燃物可用性与水分状况"的非线性代理，区分过稀不燃、过湿不燃与连续偏干高危三态。空间排除缓冲与语义掩膜降低农业误报与空间邻近偏差导致的"生态谬误(Ecological Fallacy)"；RF袋外机制减小对局部空间坐标的记忆，Youden's J给出客观风险阈值并以点状表达避免不必要空间插值平滑。局限在于未纳入实时气象(风速风向)等动态蔓延参数，阈值与空间参数具区域特异性(安徽省)，但整体方法流程可迁移至其他生态区经重新校准。
结论(Conclusion)翻译
本研究为安徽省建立了数据驱动且具有生态可解释性的森林火灾易感性制图框架。(1)空间与统计校正：1–99% Winsorization与非线性Gamma曲率归一化稳定环境数据方差结构；语义土地覆盖掩膜结合>5 km地统计空间排除协议显著降低人为标注噪声与空间自相关(Global Moran's I由0.1065降至0.0224，p由<0.001变为0.213)，获得自然平衡基线数据集。(2)泛化优于过拟合：RF给出较强样本外预测性能(Test AUC = 0.8311，95% CI [0.7500–0.9016])，CV与测试集AUC差距小，表明空间过拟合较低。(3)非线性生物物理协同：静态地形配置与林分密度为基线约束，与生理水分亏缺指标(RVI、LST)耦合时关联更高预测风险。(4)生态一致性：无显式植物学输入下，算法产出与功能群易燃性认知相符——针叶林最高预测高风险比例(79.10%)，软阔叶林最低(4.29%)。(5)数据驱动空间划分：Youden's J确定风险阈值(0.4704)，二值化风险图呈"南高北低"地理格局并保留样点级结构。未来展望：该优化框架结合动态水分proxy与永久地形/可燃物数据，经进一步验证可为林业部门提供可扩展决策支持工具；软阔叶林较低预测易感性为区域营林干预提供初步定量依据，在连片针叶林中补植耐火阔叶树种建立绿色防火带可降低景观尺度可燃物连续性并保护生态资源。
